AI vindt onverwacht immuunsignaal in borstkankerdata

TL;DR

• Wat: Een AI-systeem van het Allen Institute for AI heeft zelfstandig een onverwacht immuunsignaal ontdekt in bestaande borstkankerdata — iets dat onderzoekers eerder over het hoofd zagen.
• Waarom relevant: Dit laat zien dat AI niet alleen taken automatiseert, maar ook nieuwe inzichten vindt in data die bedrijven en instellingen al hebben liggen.
• Wat je ermee kunt: Vraag jezelf af welke patronen er in jouw bestaande bedrijfsdata zitten die je nog niet hebt onderzocht.

Ik stuitte op een bericht van het Allen Institute for AI over hun tool AutoDiscovery, die losgelaten is op een enorme kanker-dataset. Wat eruit kwam vind ik opvallend — niet alleen voor de medische wereld, maar ook voor hoe we als ondernemers naar data kijken.

Wat is er precies gevonden?

Onderzoekers van Providence Swedish Cancer Institute en het Allen Institute for AI (Ai2) hebben hun AI-systeem AutoDiscovery losgelaten op The Cancer Genome Atlas (TCGA). Dat is een openbare database met genetische gegevens van gedoneerde kankerpatiëntmonsters — een enorm archief dat al jaren beschikbaar is voor onderzoekers wereldwijd.

Het opvallende: AutoDiscovery vond dat een bepaald type borstkanker — invasief lobulair carcinoom, oftewel ILC — een sterker immuunsignaal heeft dan altijd werd aangenomen. Dit type kanker werd tot nu toe beschouwd als "immuun-koud", wat betekent dat de tumor het immuunsysteem niet leek te activeren. De AI kwam tot een andere conclusie.

Dr. Kelly Paulson, verbonden aan het onderzoeksteam, gaf aan dat bestaande immuuntherapieën hierdoor mogelijk getest kunnen worden op dit type kanker. Volgens haar is de ontdekking "potentieel direct vertaalbaar naar een nieuwe kankerbehandeling". ILC treft volgens de bronnen zo'n 15% van de borstkankerpatiënten in de VS — dat is geen klein getal.

Wat mij hier opvalt: deze data lag er al. De informatie zat in een bestaand archief. Menselijke onderzoekers hadden het niet opgepikt.

Hoe werkt AutoDiscovery?

AutoDiscovery werkt anders dan de meeste AI-tools die je misschien kent. Het is geen chatbot die antwoord geeft op jouw vragen. Het is een systeem dat zélf vragen bedenkt, die test, en dan rapporteert wat het gevonden heeft.

De kern draait om twee mechanismen:

Bayesian Surprise

Het systeem vergelijkt wat het "verwacht" op basis van bestaande wetenschappelijke kennis met wat de data daadwerkelijk laat zien. Hoe groter het verschil, hoe interessanter de vondst. Vergelijk het met een boekhouder die door je jaarrekeningen gaat en zegt: "Op basis van je branche zou ik X verwachten, maar ik zie Y — daar moeten we naar kijken."

Monte Carlo Tree Search

Dit is een methode om slim te zoeken in een enorm aantal mogelijke hypotheses. In plaats van alles te proberen, richt het systeem zijn aandacht op de meest belovende richtingen. Denk aan een schaakcomputer die niet elke mogelijke zet doorrekent, maar focust op de takken die het meest veelbelovend zijn.

De combinatie maakt dat AutoDiscovery niet zoekt naar bevestiging van wat we al weten, maar juist jaagt op wat we nog níet verwachten. Elke hypothese wordt vastgelegd in reproduceerbare Python-code, zodat onderzoekers de stappen exact kunnen navolgen.

Waarom dit verder gaat dan kankeronderzoek

Ik vind het eerlijk gezegd fascinerend dat het Allen Institute dit systeem niet beperkt tot één vakgebied. Volgens hun eigen documentatie wordt AutoDiscovery ook ingezet in de neurowetenschappen, klimaatwetenschap en mariene ecologie. Het is beschikbaar via AstaLabs, het wetenschappelijke AI-platform van Ai2, dat toegang biedt tot meer dan 108 miljoen wetenschappelijke samenvattingen.

Maar laat me even een stap terug doen en dit vertalen naar iets dat dichter bij ons als ondernemers staat.

Stel dat je als ondernemer vijf jaar aan klantdata hebt: bestelgeschiedenis, retouren, seizoenspatronen, klanttevredenheidsscores. Je weet wat je er normaal mee doet — je kijkt naar trends, je maakt rapportages. Maar wat als er patronen in zitten die je nooit hebt gezocht omdat je niet wist dat je ernaar moest zoeken?

Dat is precies wat hier gebeurde met kankerdata. De TCGA-database bestond al jaren. Duizenden onderzoekers hebben ermee gewerkt. En toch zat er een signaal in dat niemand had opgepikt — tot een AI-systeem er zonder vooringenomenheid doorheen ging.

Wat betekent dit voor een MKB-ondernemer?

Nu wil ik meteen eerlijk zijn: AutoDiscovery is gebouwd voor wetenschappelijk onderzoek, niet voor je webshop-analytics. Het draait op zware rekenkracht, analyses kunnen uren duren, en je hebt wetenschappelijk gestructureerde datasets nodig. Dit is niet iets dat je morgen op je laptop draait.

Maar het principe erachter — dat is wél relevant.

Wat mij betreft zijn er twee dingen die je als ondernemer kunt meenemen:

1. Data die je al hebt is misschien meer waard dan je denkt. De neiging bij veel bedrijven is om steeds nieuwe data te verzamelen: meer enquêtes, meer tracking, meer tools. Maar soms zit het waardevolle inzicht al in wat je hebt. De vraag is of je de juiste vragen stelt — of dat je überhaupt vragen stelt die je niet had verwacht.

2. AI verschuift van "antwoorden geven" naar "vragen stellen". De meeste AI-toepassingen die we nu in het bedrijfsleven zien, beantwoorden vragen: "Vat dit samen", "Schrijf dit om", "Analyseer deze cijfers". AutoDiscovery draait die logica om. Het is een systeem dat zelf op onderzoek uitgaat. Ik denk dat we deze verschuiving de komende jaren ook in zakelijke AI-tools gaan zien.

Een kanttekening over verificatie

Wat ik belangrijk vind om te benoemen: de onderzoekers hebben de bevinding van AutoDiscovery gevalideerd met een onafhankelijke patiëntdataset en laboratoriumanalyse van tumormonsters. De AI deed de ontdekking, maar mensen hebben het gecontroleerd. Dat is een cruciaal detail.

Een AI-systeem dat zelf hypotheses genereert is krachtig, maar ook risicovol als je de output niet verifieert. Dat geldt voor kankeronderzoek, maar net zo goed als je AI inzet om patronen in je bedrijfsdata te vinden. Een patroon is nog geen feit — het is een startpunt voor verder onderzoek.

Dit is volgens de bronnen pas de tweede keer dat AutoDiscovery een hypothese openbaar deelt. De eerste betrof een relatie tussen twee genmutaties (PIK3CA en TP53). Het is dus nog vroeg. Wat mij betreft is het eerlijk om te zeggen: de belofte is groot, maar het bewijs is nog beperkt.

Tot slot

Voor mij is dit vooral een signaal dat de waarde van AI steeds vaker niet zit in het sneller uitvoeren van taken die we al doen, maar in het vinden van dingen waar we niet naar zochten. Dat begon in de wetenschap, maar de principes sijpelen door naar het bedrijfsleven. De vraag die ik mezelf stel: welke vragen stel ik niet aan mijn eigen data, simpelweg omdat ik niet weet dat ik ze moet stellen?